Πανεπιστήμιο Μακεδονίας Τμήμα Εφαρμοσμένης Πληροφορικής Διδακτορική διατριβή του Ν. Α. Κωφίδη «Διερεύνηση χαοτικής συμπεριφοράς τεχνητών νευρωνικών δικτύων: Νευρωνικά μοντέλα χαοτικών ελκυστών και χαοτικά χαρακτηριστικά νευρωνικών δικτύων». Επιβλέπων καθηγητής: Ρουμελιώτης Μάνος, Επίκουρος Καθηγητής Μέλη της τριμελούς συμβουλευτικής επιτροπής: Τσούρος Κωνσταντίνος, Καθηγητής Μαργαρίτης Κωνσταντίνος, Αναπληρωτής Καθηγητής Θεσσαλονίκη Ιούνιος 2000
ΠΕΡΙΕΧΟΜΕΝΑ 1. ΔΥΝΑΜΙΚΑ ΣΥΣΤΗΜΑΤΑ Εισαγωγή 1 1.1 Μαθηματική περιγραφή δυναμικών συστημάτων 3 1.2 Μη διατηρητικά συστήματα 5 1.3 Μελέτη των σημείων ισορροπίας των Σ.Δ.Ε. 10 1.4 Μελέτη των σημείων ισορροπίας αναδρομικών σχέσεων Μονοδιάστατες απεικονίσεις Πολυδιάστατες απεικονίσεις 13 15 16 2. ΠΡΟΣΕΓΓΙΣΗ ΧΑΟΤΙΚΗΣ ΣΥΜΠΕΡΙΦΟΡΑΣ 2.1 Ευαισθησία στις αρχικές συνθήκες 22 2.2 Συντελεστές Lyapunov απεικονίσεων 24 Μονοδιάστατες απεικονίσεις 24 Απεικονίσεις πολυδιάστατων χώρων 29 2.3 Συντελεστές Lyapunov Σ.Δ.Ε 30 2.4 Προσέγγιση χαοτικής συμπεριφοράς 33 Προσέγγιση χαοτικής συμπεριφοράς απεικονίσεων 35 Προσέγγιση χαοτικής συμπεριφοράς Σ.Δ.Ε 41 3.ΜΗΧΑΝΙΣΜΟΙ ΜΕΤΑΒΑΣΗΣ ΣΤΟ ΧΑΟΣ 3.1 Εισαγωγή 47 3.2 Ακολουθία διακλαδώσεων διπλασιασμού περιόδων 47 3.3 Διαλειπτότητα 52 3.4 Κρίση (Crisis) 54 3.5 Μετάβαση στο χάος με εμφάνιση Παράξενου ελκυστή 55
4. ΜΕΤΡΗΣΙΜΟΙ ΔΕΙΚΤΕΣ ΧΑΟΤΙΚΗΣ ΣΥΜΠΕΡΙΦΟΡΑΣ 4.1 Εισαγωγή 60 4.2 Συντελεστές Lyapunov 60 4.3 Εντροπία Kolmogorov-Sinai 62 4.4 Μορφοκλασματικά σύνολα (Fractals) 66 4.5 Πολυμορφοκλασματικές κατανομές 72 5. ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΔΥΝΑΜΙΚΑ ΣΥΣΤΗΜΑΤΑ 5.1 Εισαγωγή 75 5.2 Μοντελοποίηση δυναμικών συστημάτων με ΤΝΔ. 76 6. ΑΠΛΑ ΝΕΥΡΩΝΙΚΑ ΜΟΝΤΕΛΑ ΤΗΣ ΛΟΓΙΣΤΙΚΗΣ ΑΠΕΙΚΟΝΙΣΗΣ. 6.1 Εισαγωγή 79 6.2 Δομικά χαρακτηριστικά των δικτύων 80 6.3 Παράμετροι εκπαίδευσης και ελέγχου 85 6.4 Βέλτιστες δομές 88 6.5 Αναλυτικά αποτελέσματα των βέλτιστων μοντέλων Συμβατική εκπαίδευση Εκπαίδευση σε συνεχή ροή δεδομένων Μικτή εκπαίδευση 6.6 Δίκτυα με αυξημένη πληροφορία εισόδου 99 6.7 Συμπεράσματα 109 89 89 94 95 7. ΑΠΛΑ ΝΕΥΡΩΝΙΚΑ ΜΟΝΤΕΛΑ ΤΗΣ ΑΠΕΙΚΟΝΙΣΗΣ HENON 7.1 Εισαγωγή 111 7.2 Συμμετρικά δίκτυα 114
7.3 Μη συμμετρικά δίκτυα 120 Δομή μη συμμετρικών δικτύων 121 Παράμετροι εκπαίδευσης και ελέγχου 122 Βέλτιστες δομές 123 Έλεγχος δικτύων και επιλογή βέλτιστου μοντέλου 124 7.4 Σύγκριση συμμετρικών και μη συμμετρικών μοντέλων 127 7.5 Συμπεράσματα 129 8. ΣΥΝΘΕΤΑ ΝΕΥΡΩΝΙΚΑ ΜΟΝΤΕΛΑ ΧΑΟΤΙΚΩΝ ΕΛΚΥΣΤΩΝ 8.1 Εισαγωγή 131 8.2 Σύνθετα νευρωνικά μοντέλα της λογιστικής απεικόνισης Σύνθετο μοντέλο δύο εισόδων Σύνθετο μοντέλο τριών εισόδων Συγκριτικά αποτελέσματα 141 142 145 147 8.3 Σύνθετο νευρωνικό μοντέλο της απεικόνισης Henon 153 8.3 Συμπεράσματα 162 9. ΧΑΟΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ 9.1 Εισαγωγή 163 9.2 Ερευνητικό πλαίσιο - σχετικές δημοσιευμένες εργασίες 164 9.3 Μεθοδολογική προσέγγιση 167 Παρουσίαση των Παραμέτρων του αλγορίθμου Επιλογή τιμών για τις παραμέτρους του αλγορίθμου 170 172 10. ΧΑΟΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΚΑΤΑ ΤΗΝ ΑΝΑΚΛΗΣΗ 10.1 Εισαγωγικά στοιχεία 179
10.2 Υπολογισμός και διερεύνηση ευστάθειας του πρωτεύοντος συντελεστή Lyapunov για τις ακολουθίες τιμών του απόλυτου σφάλματος Μεταβολή της διάστασης του χώρου ενσωμάτωσης Μεταβολή του χρόνου καθυστέρησης Μεταβολή του χρόνου τοπικών υπολογισμών t e Μεταβολή της μέγιστης επιτρεπτής απόστασης τροχιών d max Μήκος ακολουθίας εμπειρικών δεδομένων Ν 181 181 184 187 189 192 10.3 Ερμηνευτικά σχόλια 194 10.4 Συνέπειες της συμπεριφοράς του απόλυτου σφάλματος 197 10.5 Ανακεφαλαίωση - Συμπεράσματα 207 11.ΧΑΟΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΚΑΤΑ ΤΗ ΦΑΣΗ ΤΗΣ ΕΚΠΑΙΔΕΥΣΗΣ 11.1 Εισαγωγικά στοιχεία 209 11.2 Μη συγκλίνοντα δίκτυα Διερεύνηση της συμπεριφοράς της ακολουθίας των βαρών κατά τη φάση εκπαίδευσης Διερεύνηση της συμπεριφοράς της ακολουθίας εισόδων με το ελάχιστο απόλυτο σφάλμα κατά τη φάση εκπαίδευσης Ακολουθία εξόδων ελάχιστου σφάλματος 11.3 Συγκλίνοντα δίκτυα Μελέτη συμπεριφοράς της ακολουθίας εισόδων με το ελάχιστο σφάλμα κατά τη φάση της εκπαίδευσης Χαοτική συμπεριφορά της εξόδου ελαχίστου σφάλματος Χαοτική απόκριση του RMS σφάλματος Απόκριση των συναπτικών βαρών 210 211 217 224 224 228 233 241 243 11.4 Συμπεράσματα 243 ΑΝΑΚΑΙΦΑΛΑΙΩΣΗ - ΣΥΜΠΕΡΑΣΜΑΤΑ 245
ΒΙΒΛΙΟΓΡΑΦΙΑ 249 ΠΑΡΑΡΤΗΜΑ 1 258 ΠΑΡΑΡΤΗΜΑ 2 269
ΠΡΟΛΟΓΟΣ Η παρούσα διατριβή που εκπονήθηκε στο τμήμα Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας παρουσιάζει τα αποτελέσματα έρευνας που διενεργήθηκε στην κοινή γνωστική περιοχή των Τεχνητών Νευρωνικών Δικτύων και της Θεωρίας του Χάους. Το σύνολο των πρωτότυπων ερευνητικών εργασιών που στηρίζουν την διατριβή αναφέρονται παρακάτω: 1. Kofidis Nikos, Roumeliotis Manos, Adamopoulos Miltiadis (1998). «Συγκριτική Δοκιμή Back Propagation Νευρωνικών Δικτύων που Μοντελοποιούν το Χαοτικό Ελκυστή της Λογιστικής Απεικόνισης», 2 ο Συνέδριο Τεχνολογίας και Αυτοματισμού, Οκτώβριος 1998. 2. Kofidis Nikos, Roumeliotis Manos, Adamopoulos Miltiadis Comparative Study Of Back Propagation Neural Networks As Models Of The Chaotic Attractor Of The Logistic Map X n+1 =Λx n (1- X n ), Hercma 98, Proceedings of the Fourth Hellenic - European Conference on Computer Mathematics and its Applications. 3. Roumeliotis Manos, Kofidis Nikos, Adamopoulos Miltiadis Back Propagation neural networks with functional link input structure as models of chaotic attractors Neural parallel & Scientific Computations 6 (1998) 451-468 4. Kofidis Nikos, Roumeliotis Manos, Adamopoulos Miltiadis (1999). «Improving the Performance of Neural Networks Modeling Strange Attractors by the Use of LVQ Neural Networks as Input Signal Controllers», International J. Computer Math. Vol.73, pp201-216. 5. Kofidis Nikos, Roumeliotis Manos, Adamopoulos Miltiadis, Chaotic Error Series Produced In Recall Phase By Neural Models Of Chaotic Attractors υπό δημοσίευση στο Neural parallel & Scientific Computations. 6. Kofidis Nikos, Roumeliotis Manos, Adamopoulos Miltiadis, Chaotic Properties And Pattern Competition During Learning Phase In
Back Propagation Neural Networks, υπό δημοσίευση στο International J. Computer Math. Η παρούσα εργασία αποτελείται από 12 κεφάλαια. Στα πρώτα τέσσερα κεφάλαια παρουσιάζεται μια συνοπτική ανασκόπηση της Θεωρίας του Χάους ενώ στα υπόλοιπα συνθέτουν το ερευνητικό σκέλος της διατριβής. Πιο συγκεκριμένα: Το πρώτο κεφάλαιο ασχολείται με τις εισαγωγικές έννοιες, τη μαθηματική περιγραφή και τη μελέτη των σημείων ισορροπίας των δυναμικών συστημάτων. Στο δεύτερο περιγράφεται η μεθοδολογία προσέγγισης της χαοτικής συμπεριφοράς των δυναμικών συστημάτων. Στο τρίτο κεφάλαιο περιγράφονται οι πιο βασικότεροι μηχανισμοί χαοτικής μετάπτωσης ενός δυναμικού συστήματος.. Το τέταρτο κεφάλαιο αναφέρεται στα μετρήσιμα μεγέθη που πιστοποιούν τη χαοτική η συμβατική απόκριση ενός δυναμικού συστήματος. Πιο συγκεκριμένα παρουσιάζονται συνοπτικά οι συντελεστές Lyapunov, η εντροπία Kolmogorov-Sinai, τα μορφοκλασματικά σύνολα και οι πολυμορφοκλασματικές κατανομές. Το πέμπτο κεφάλαιο είναι μια σύντομη εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα (Τ.Ν.Δ) και τις εφαρμογές τους, αφενός τις γενικές αφετέρου τις ειδικού ενδιαφέροντος που αφορούν τη μοντελοποίηση χαοτικών συστημάτων. Το έκτο κεφάλαιο είναι αφιερωμένο στη μοντελοποίηση της λογιστικής απεικόνισης. Για την επιλογή του βέλτιστου μοντέλου εξετάζονται ποικίλες δομές και τρόποι εκπαίδευσης. Αναλυτικά διερευνάται η ανοχή των μοντέλων σε διακυμάνσεις της παραμέτρου του συστήματος. Στο έβδομο κεφάλαιο εξετάζεται η δυνατότητα μοντελοποίησης του χαοτικού ελκυστή του Henon. Από τις δύο διαφορετικές προσεγγίσεις (συμμετρικά και μη συμμετρικά μοντέλα) υπερισχύει η απλούστερη που
ικανοποιεί επιπλέον την απαίτηση της δομικής ομοιογένειας των μοντέλων των χαοτικών ελκυστών των δύο απεικονίσεων (Λογιστικής και Henon). Στο όγδοο κεφάλαιο περιγράφεται μέθοδος βελτίωσης των μοντέλων των ελκυστών με χρήση σύνθετων νευρωνικών δικτύων. Ως σύνθετο νευρωνικό δίκτυο θεωρείται μια συστοιχία όμοιων δομικά δικτύων (υπομοντέλα) που λειτουργούν παράλληλα και ανταγωνιστικά. Καθένα από αυτά τα δίκτυα είναι εκπαιδευμένο στην αναπαραγωγή ενός μόνο τμήματος του μοντελοποιούμενου ελκυστή. Η επιλογή του κατάλληλου υπομοντέλου αναλαμβάνεται από ένα δίκτυο L.V.Q. Το ένατο κεφάλαιο είναι μια εισαγωγή στην προσέγγιση των χαοτικών χαρακτηριστικών των νευρωνικών δικτύων. Μια σύντομη ανασκόπηση στις εργασίες που έχουν προηγηθεί της παρούσας θεωρήθηκε σκόπιμη. Στη συνέχεια παρουσιάζεται ο αλγόριθμος στον οποίο στηρίζεται η διερεύνηση της χαοτικής συμπεριφοράς των συστημάτων που παρουσιάζονται στα δύο επόμενα κεφάλαια. Στο δέκατο κεφάλαιο παρουσιάζονται τα χαοτικά χαρακτηριστικά της ακολουθίας τιμών του απόλυτου σφάλματος που καταγράφεται κατά τη φάση της ανάκλησης για τα βέλτιστα νευρωνικά μοντέλα των ελκυστών της λογιστικής απεικόνισης και της απεικόνισης του Henon. Στη συνέχεια αναλύονται οι επιπτώσεις της χαοτικής απόκρισης του απόλυτου σφάλματος στη μοντελοποίηση των χαοτικών ελκυστών. Στο ενδέκατο κεφάλαιο παρουσιάζονται χαοτικά χαρακτηριστικά μικρών νευρωνικών δικτύων κατά τη φάση της εκπαίδευσης. Η χαοτική μετάπτωση της εισόδου που αντιστοιχεί στην έξοδο με το ελάχιστο σφάλμα πιστοποιεί των ανταγωνισμό των υπό εκμάθηση προτύπων κατά τη φάση εκπαίδευσης σε συγκλίνοντα και μη συγκλίνοντα δίκτυα. Για την χαοτική απόκριση της εξόδου με το ελάχιστο σφάλμα χρησιμοποιούνται ως εργαλεία αφενός η τοπολογική συζυγία αφετέρου οι αριθμητικοί έλεγχοι. Εξετάζονται επίσης ακολουθίες τιμών των συναπτικών βαρών και του RMS σφάλματος.
Στο δωδέκατο κεφάλαιο επιχειρείται μια σύντομη ανασκόπηση της παρούσας εργασίας. Παρουσιάζονται επίσης προτάσεις για τη διεξαγωγή έρευνας βασιζόμενης στα συμπεράσματα και τις κατευθύνσεις που σηματοδοτεί η παρούσα εργασία.
1. ΔΥΝΑΜΙΚΑ ΣΥΣΤΗΜΑΤΑ Δυναμικά συστήματα ονομάζονται τα φυσικά εκείνα φαινόμενα και οι φυσικές διεργασίες που περιγράφονται από συστήματα διαφορικών εξισώσεων (ή εξισώσεων διαφορών) των οποίων η ανεξάρτητη μεταβλητή είναι ο χρόνος [93]. Οι εξισώσεις αυτές είναι συνήθως μη γραμμικές και γενικά μη επιλύσιμες από τις μέχρι σήμερα γνωστές μεθόδους της μαθηματικής ανάλυσης, για κάθε τιμή του χρόνου και οποιεσδήποτε αρχικές συνθήκες. Τα δυναμικά συστήματα που μελετήθηκαν διεξοδικά και αποτέλεσαν το υπόβαθρο για την κυριαρχία της αιτιοκρατικής αντίληψης, είναι γραμμικά. Η αιτιοκρατία (ντετερμινισμός) δέχεται ότι η συμπεριφορά ενός συστήματος είναι προβλέψιμη, δεδομένων των αρχικών συνθηκών και του μηχανισμού εξέλιξης του στο χρόνο. Η αντίληψη αυτή φαίνεται λογική και πιο προσφιλής ίσως από την αντίστοιχη στατιστική αντιμετώπιση των συστημάτων. Στις περισσότερες όμως περιπτώσεις η πρακτική της αξία περιορίζεται σημαντικά από την ευαισθησία που επιδεικνύουν πολλά μη γραμμικά και πολύπλοκα, συστήματα, στην επιλογή των αρχικών συνθηκών. Ως μη γραμμικότητα ορίζεται η απουσία γραμμικότητας. Γραμμικό σύστημα θεωρείται αυτό που επιδέχεται ως λύση τυχαίο γραμμικό συνδυασμό γραμμικά ανεξάρτητων λύσεων του. Πιο συγκεκριμένα αν οι f(x,t) και g(x,t) λύσεις ενός συστήματος γραμμικά ανεξάρτητες και ο γραμμικός συνδυασμός αf(x,t)+βg(x,t) είναι επίσης λύση του συστήματος για τυχαία α και β, τότε το σύστημα είναι γραμμικό [29,95]. Η πολυπλοκότητα ενός συστήματος φαίνεται να απορρέει από την μη γραμμικότητα. Η τυποποίηση της έννοιας πολυπλοκότητα με όρους του μαθηματικού φορμαλισμού είναι έξω από τους στόχους της παρούσας εργασίας. Η συχνή χρήση της ωστόσο, επιβάλλει τον προσδιορισμό της τουλάχιστον από τη σκοπιά μια εμπειρικής προσέγγισης. Φαίνεται ότι η πολυπλοκότητα συνδέεται 1
άμεσα με το βαθμό προσομοίωσης ή εξομοίωσης που είναι απαραίτητος, για την κατανόηση και την πρόβλεψη της συμπεριφοράς ενός συστήματος. Η ιδέα αυτή σκιαγραφείται χαρακτηριστικά στα τρία παραδείγματα που ακολουθούν. 1. Ένα κινητό που κινείται ευθύγραμμα και ομαλά σε ένα χώρο χωρίς τριβές μπορεί να περιγραφεί με ένα απλό σύστημα εξισώσεων και η πρόβλεψη της θέσης του σε τυχαίο χρονικό σημείο είναι θέμα απλών αλγεβρικών πράξεων. Η προσομοίωση του συστήματος δεν είναι απαραίτητη. Η πολυπλοκότητα είναι ανύπαρκτη. 2. Ένα ευέλικτο σύστημα παραγωγής (FMS) που περιγράφεται από ένα μη γραμμικό Σύστημα Διαφορικών Εξισώσεων (στο εξής ΣΔΕ) πρέπει να προσομοιωθεί σε Η/Υ για την κατανόηση και την, υπό όρους έστω, πρόβλεψη της συμπεριφοράς του. Το σύστημα αυτό εμφανίζεται σαφώς πιο πολύπλοκο από το προηγούμενο βρίσκεται ωστόσο μέσα στα πλαίσια της κατανόησης, πρόβλεψης και ελέγχου της συμπεριφοράς του. 3. Οποιαδήποτε προσομοίωση είναι ανεπαρκής για την μακροπρόθεσμη πρόβλεψη των καιρικών συνθηκών. Το εν λόγω σύστημα εμφανίζει πολυπλοκότητα σε βαθμό που δεν μπορεί να αντιμετωπιστεί από τις σύγχρονες επιστημονικές και τεχνολογικές δυνατότητες. Στα τρία παραπάνω παραδείγματα επιχειρήθηκε μια αναγωγή της έννοιας της πολυπλοκότητας των συστημάτων, στην πολυπλοκότητα της μεθοδολογίας προσέγγισης. Φαίνεται ότι όσο μεγαλύτερη πολυπλοκότητα εμφανίζει το σύστημα τόσο πιο πολύπλοκα εργαλεία χρησιμοποιούνται για την κατανόηση του. Η προσέγγιση αυτή μπορεί να θεωρηθεί απλοϊκή και ίσως προφανής, σκιαγραφεί όμως κάποιο είδος οριοθέτησης τόσο μεταξύ απλών και πολύπλοκων συστημάτων όσο και μεταξύ συστημάτων με διαφορετικό βαθμό πολυπλοκότητας.. 1.1 Μαθηματική περιγραφή δυναμικών συστημάτων 2
Θεωρείται ένας Ν-διάστατος χώρος εξαρτημένων μεταβλητών x k (t), k=1,2, Ν, που έχουν ως μόνη ανεξάρτητη μεταβλητή το χρόνο t και αποτελούν συνιστώσες του διανύσματος x(t)=(x 1 (t), x 2 (t), x Ν (t)), t (α,β) όταν ο χρόνος είναι συνεχής στο διάστημα (α,β), ή του διανύσματος x(t n )=(x 1 (t n ), x 2 (t n ), x Ν (t n )), t n (α,β) όταν ο χρόνος παίρνει διακριτές τιμές t n (n ακέραιος) στο διάστημα (α,β). Η εξέλιξη στο χρόνο αυτών των διανυσμάτων, περιγράφεται από συστήματα διαφορικών εξισώσεων, ή συστήματα εξισώσεων διαφορών όπως φαίνεται παρακάτω στις σχέσεις: dx/dt = f(x,t) [1.1] όταν ο χρόνος είναι συνεχής ή, x n+1 = g(x n ) [1.2] όταν ο χρόνος παίρνει διακριτές τιμές Καθένα από τα συστήματα των [1.1] και [1.2], περιγράφει ένα δυναμικό σύστημα. Οι συναρτήσεις f,g : R N R N αποτελούν την μαθηματικοποίηση του φαινομένου, ενώ ο Ευκλείδειος χώρος R N στον οποίο εξελίσσονται τα διανύσματα x(t), x n ονομάζεται χώρος των φάσεων [93]. Αξίζει να σημειωθεί ότι τα συστήματα επαναληπτικών σχέσεων, εκφράζουν την τρέχουσα κατάσταση του συστήματος, σαν συνάρτηση καταστάσεων σε προηγούμενες χρονικές στιγμές, ενώ τα συστήματα διαφορικών εξισώσεων, εκφράζουν το ρυθμό μεταβολής της τρέχουσας κατάστασης, σαν συνάρτηση της 3
τρέχουσας κατάστασης. Συνεπώς, οι δύο μαθηματικές εκφράσεις προσδιορίζουν τα συστήματα με εντελώς διαφορετικό τρόπο. Αυτό φαίνεται χαρακτηριστικά στις λύσεις των απλών εξισώσεων dx/dt=λx και x n+1 =λ x n που είναι αντίστοιχα x=x 0 e λt, που είναι ευσταθής για λ<0 και x n =x 0 e nlogλ, που είναι ευσταθής για λ<1. Οι [1.1], [1.2] ισοδύναμα μπορούν να πάρουν τη μορφή: Για Σ.Δ.Ε dx 1 /dt=f 1 (x 1,x 2,,x Ν ) dx 2 /dt=f 2 (x 1,x 2,, x Ν )... dx N /dt=f n (x 1,x 2,, x Ν ) [1.3] Στο παραπάνω ΣΔΕ καμία από τις f 1, f 2,,f N δεν εξαρτάται από τον χρόνο. Στην περίπτωση αυτή το σύστημα ονομάζεται αυτόνομο. Αν κάποια από τις συνιστώσες της f εξαρτάται από τον χρόνο τότε το σύστημα ονομάζεται μή αυτόνομο. Για συστήματα εξισώσεων διαφορών x 1:n+1 =g 1 (x 1:n, x 2:n,,x Ν:n ) x 2:n+1 =g 2 (x 1:n, x 2:n,,x Ν:n )... x Ν:n+1 =g n (x 1:n, x 2:n,,x Ν:n ) [1.4] Μια ολοκληρωμένη αναφορά στην μαθηματική τυποποίηση, δεν μπορεί παρά να συμπεριλάβει την περίπτωση που οι διανυσματικές συναρτήσεις f και g είναι γραμμικές, καθόσον η κατά περιοχές γραμμικοποίηση των συστημάτων αποτελεί βασικό εργαλείο προσέγγισης της συμπεριφοράς τους. Στην περίπτωση αυτή η μορφή που παίρνουν τα συστήματα εκφράζεται με τις εξισώσεις [1.5] και [1.6] για Σ.Δ.Ε και επαναληπτικές σχέσεις αντίστοιχα. 4
dx/dt = Αx [1.5] x n+1 = Βx n [1.6] όπου Α,Β πίνακες Ν xν. Η ύπαρξη και μοναδικότητα των λύσεων της [1.3] εξασφαλίζεται όταν η συνάρτηση f ικανοποιεί τη συνθήκη του Lipschitz. H συνάρτηση f ικανοποιεί τη συνθήκη του Lipschitz όταν: v,u M R k ισχύει η ανισοϊσότητα: f(v)-f(u) K v-u [25,30,35]. Κριτήριο για το αν μια συνάρτηση ικανοποιεί συνθήκη του Lipschitz αποτελούν οι μερικές παράγωγοι της. Πιο συγκεκριμένα αν υπάρχουν και είναι φραγμένες σε όλα τα σημεία του πεδίου ορισμού, τότε η συνάρτηση είναι συνάρτηση Lipschitz. Είναι επίσης φανερό ότι η ύπαρξη των μερικών παραγώγων της f για κάθε σημείο του πεδίου ορισμού της παραπέμπει στη συνέχεια της f. Η σταθερά Κ ονομάζεται σταθερά του Lipschitz και εκφράζει τον τελεστή της μέγιστης δυνατής εκθετικής απόκλισης μεταξύ γειτονικών λύσεων του συστήματος [1.3], για πεπερασμένο χρόνο. Πιο συγκεκριμένα αν d 0 είναι η Ευκλείδεια απόσταση δύο γειτονικών λύσεων στο χώρο R N, τη χρονική στιγμή t 0, τότε για την εξέλιξη στο χρόνο της απόστασης d(t) ισχύει η σχέση d(t) d 0 e Kδt όπου δt=t-t 0 [91] 1.2 Μη διατηρητικά συστήματα Ο χαρακτηρισμός ενός συστήματος ως μη διατηρητικού, είναι σχετικά εύκολος, όταν έχει κατανοηθεί η φυσική του λειτουργία. Είναι όμως επιθυμητό, να υπάρχει δυνατότητα εξαγωγής παρόμοιων συμπερασμάτων, από το αφηρημένο μαθηματικό μοντέλο του συστήματος. Για την διερεύνηση μιας τέτοιας δυνατότητας εξετάζεται η συμπεριφορά ενός συνόλου αρχικών συνθηκών, όταν αυτό υπόκειται στη διαδικασία f ή g αντίστοιχα των σχέσεων [1.1], [1.2]. Η εφαρμογή της διαδικασίας f (η g αντίστοιχα) οδηγεί μετά από χρόνο t (ή μετά από n επαναλήψεις αντίστοιχα) σε 5
κάποιο παράγωγο σύνολο σημείων στο χώρο των φάσεων. Αν για t ο όγκος του συνόλου των αρχικών συνθηκών τείνει στο 0 τότε το υπό εξέταση σύστημα είναι μη διατηρητικό. Αυτό βέβαια δεν σημαίνει απαραίτητα σύγκλιση σε κάποιο σημείο συσσώρευσης. Μπορεί λ.χ μία σφαίρα (στον τρισδιάστατο χώρο) αρχικών συνθηκών να παραμορφωθεί σε ελλειψοειδές το οποίο με τη σειρά του να εκφυλιστεί σε επίπεδη έλλειψη ή ευθεία μηδενικού όγκου. Αυτό άλλωστε αποτελεί ένδειξη χαοτικής συμπεριφοράς. Οι συνθήκες που πρέπει να ικανοποιεί ένα σύστημα για να θεωρηθεί μη διατηρητικό, περιγράφονται παρακάτω, για τα συστήματα των [1.2] και [1.4]. Δυναμικά συστήματα που περιγράφονται από συστήματα διαφορικών εξισώσεων x (t)=f(x) στο χώρο των φάσεων είναι μη διατηρητικά όταν ικανοποιείται μία από τις παρακάτω ισοδύναμες σχέσεις: div(f) < 0 Σϑf i /ϑx i < 0 Tr(D(f)) < 0 [1.7] όπου D(f) η Ιακωβιανή της f και Τr (D(f)) το ίχνος της. [3,29] Οι παραπάνω ισοδύναμες σχέσεις προκύπτουν ως εξής: Έστω Φ η ροή των σημείων τυχαίου συνόλου αρχικών συνθηκών που περικλείονται σε όγκο V. Η ροή Φ οφείλεται στην διασπορά των σημείων λόγω της εφαρμογής της διανυσματικής συνάρτησης f (μία εικόνα που μπορεί να βοηθήσει στην κατανόηση των παραπάνω είναι η εικόνα ενός συνόλου μορίων αερίου που καταλαμβάνουν όγκο V o οποίος μεταβάλλεται λόγω της εφαρμογής ενός πεδίου πίεσης). Φ= s f n ds Η μεταβολή του όγκου δv σε χρόνο δt περιγράφεται από τη σχέση : δv= δt s f n ds 6
Από την παραπάνω σχέση προκύπτει: dv/dt= s f n ds= v f dv Για μη διατηρητικά συστήματα πρέπει να είναι dv/dt<0. Η τυχαιότητα στην επιλογή του αρχικού όγκου επιτρέπει την εξαγωγή συμπερασμάτων από την εξέταση του περιεχομένου του ολοκληρώματος. Συνεπώς η σχέση f<0 και οι ισοδύναμές, της χαρακτηρίζουν μη διατηρητικά συστήματα στην περίπτωση που αυτά περιγράφονται από κάποιο σύστημα διαφορικών εξισώσεων. Για συστήματα εξισώσεων διαφορών, αναφέρεται (χωρίς απόδειξη) και σχολιάζεται, το θεώρημα που επιτρέπει τον υπολογισμό των αξόνων του ελλειψοειδούς, που προκύπτει από την εφαρμογή ενός γραμμικού δυναμικού συστήματος, σε μια σφαίρα αρχικών συνθηκών του χώρου R n [91]. Θεώρημα 1.1 Έστω μοναδιαία σφαίρα Ν του χώρου R n και πίνακας Α, nxn. Αν είναι s 2 1 s 2 n και v 1 v n οι ιδιοτιμές και τα ιδιοδιανύσματα αντίστοιχα του AA Τ τότε: v 1 v n είναι ορθογώνια μεταξύ τους μοναδιαία διανύσματα και οι άξονες της έλλειψης ΑΝ είναι s j v j για j [1,n] Ζ +. Το παραπάνω θεώρημα, αποδεικνύει, ότι μια σφαίρα Ν αρχικών συνθηκών του χώρου R n προβάλλεται μέσω ενός τετραγωνικού πίνακα Α σε ελλειψοειδές με μήκη αξόνων τις θετικές τετραγωνικές ρίζες των ιδιοτιμών του ΑΑ Τ. Οι διευθύνσεις των αξόνων του ελλειψοειδούς ορίζονται από τα ιδιοδιανύσματα του ΑΑ Τ. Δεδομένου ότι ο πίνακας ΑΑ Τ έχει πραγματικές και μάλιστα θετικές ιδιοτιμές [91] μπορεί να τεθεί ισοδύναμα (χωρίς μεταβολή της ορίζουσας και των ιδιοτιμών του) σε μια από τις παρακάτω μορφές Κ 1, Κ 2. [13,94] s 1 2 7
Κ 1 = s 2 2... s n 2 Στη μορφή Κ 1 οι ιδιοτιμές είναι πραγματικές και άνισες μεταξύ τους. Στην περίπτωση που κάποια ιδιοτιμή εμφανίζεται ως πολλαπλή ρίζα του χαρακτηριστικού πολυωνύμου ο πίνακας τίθεται στη μορφή λ-jordan [13]. Στην Κ 2, η οποία βρίσκεται σε μορφή λ-jordan, εμφανίζεται ενδεικτικά η ιδιοτιμή s m με πολλαπλότητα 3. Κ 2 = s 1 2 s 2 2. s m 2 1 s m 2 1 s m 2... s n 2 Από τα παραπάνω προκύπτει ότι ανεξάρτητα από τη μορφή που θα πάρει ο πίνακας ΑΑ Τ Ισχύει επίσης ότι: det(α A Τ ) = s 1 2 s n 2 det(α A Τ )=det(a)det(a Τ ) και επειδή ο Α είναι τετραγωνικός ισχύει ότι : συνεπώς : det(a)=det(a Τ ) 8
και άρα det(a)= (det(α A Τ )) det(a)= s 1 s n Σύμφωνα με την τελευταία σχέση, αν θεωρηθεί ότι η αρχική σφαίρα είναι μοναδιαία, η ορίζουσα του πίνακα Α, καθορίζει αν το σύστημα είναι μη διατηρητικό, δεδομένου ότι το γινόμενο των μηκών των αξόνων του ελλειψοειδούς αποτελεί τον τελεστή μεταβολής του όγκου της θεωρούμενης σφαίρας των αρχικών συνθηκών. Δηλαδή το σύστημα είναι μη διατηρητικό μόνο αν, det(a) < 1 [1.8] Το συμπέρασμα αυτό γίνεται εύκολα κατανοητό για το δισδιάστατο χώρο R 2. Το εμβαδόν του αρχικού κύκλου π1 2 προβάλλεται στο εμβαδόν της προκύπτουσας έλλειψης πs 1 s 2. Είναι φανερό, ότι το γινόμενο s 1 s 2 = deta, αποτελεί τον προαναφερόμενο τελεστή μεταβολής του όγκου. Ο πίνακας Α περιγράφει ένα γραμμικό σύστημα. Όπως όμως θίγεται στις ενότητες 1.3 & 1.4 του παρόντος κεφαλαίου, βασική μεθοδολογία διερεύνησης της συμπεριφοράς των μη γραμμικών συστημάτων, αποτελεί η κατά περιοχές γραμμικοποίηση τους. Το σύστημα, έχει πάντα γραμμική μορφή όταν τίθεται υπό εξέταση και την θέση του πίνακα Α παίρνει η Ιακωβιανή μήτρα του συστήματος, υπολογισμένη σε προεπιλεγμένα σημεία. Στην περίπτωση αυτή διαμορφώνεται για τα μη διατηρητικά συστήματα η σχέση: det[d(g)] < 1 [1.9] όπου D(g) η Ιακωβιανή της g. 9
1.3 Μελέτη των σημείων ισορροπίας των Σ.Δ.Ε. Για ένα δυναμικό σύστημα, που εξελίσσεται σε συνεχή χρόνο και συνεπώς περιγράφεται από την [1.3], ορίζονται ως σημεία ισορροπίας, εκείνα για οποία ισχύει f =0, όπου f=(f 1,f 2, f N ). Η ταξινόμηση τους γίνεται με κριτήριο την συμπεριφορά της τροχιάς τυχαίας λύσης του συστήματος, όταν αυτή τα προσεγγίζει. Έτσι τα σημεία ισορροπίας διακρίνονται σε: Σημεία συσσώρευσης (απλοί ελκυστές). Οι απλοί ελκυστές είναι σημεία του χώρου των φάσεων, στα οποία συγκλίνουν οι τροχιές που εκκινούν από ένα συγκεκριμένο σύνολο αρχικών συνθηκών που ονομάζεται ελκόμενο σύνολο (basin of attraction). Μια απλή, φυσική, αναπαράσταση ενός τέτοιου σημείου δίνεται από το κατώτερο σημείο μιας κοίλης επιφάνειας. Σημεία απώθησης. Σημεία πού απωθούν τις τροχιές, οι οποίες εκκινούν από ένα σύνολο αρχικών συνθηκών που καλείται απωθούμενο σύνολο (basin of repulsion). Μια φυσική, αναπαράσταση ενός τέτοιου σημείου δίνεται από την κορυφή ενός λόφου. Σαγματικά σημεία. Κοντά στα σημεία αυτά ή συμπεριφορά του συστήματος εξαρτάται από την διεύθυνση προσέγγισης της τροχιάς, η οποία είναι συνάρτηση των αρχικών συνθηκών. Διακρίνονται δύο σύνολα αρχικών συνθηκών. Αυτό που οδηγεί σε σύγκλιση και ονομάζεται ευσταθής πολλαπλότητα (stable manifold) και αυτό που οδηγεί σε απομάκρυνση και ονομάζεται ασταθής πολλαπλότητα (unstable manifold). Μια απλή αναπαράσταση ενός σαγματικού σημείου δίνεται από το σαμάρι (σάγμα) του οποίου η επιφάνεια είναι ταυτόχρονα κοιλάδα και κορυφογραμμή. Είναι σκόπιμο να διερευνηθεί πρώτα η συμπεριφορά των γραμμικών συστημάτων κοντά στο σημείο x=0 που είναι σημείο ισορροπίας κάθε γραμμικού συστήματος. Όπως αναφέρθηκε παραπάνω (σχέση [1.5]) κάθε γραμμικό σύστημα έχει την μορφή dx/dt=αx, όπου Α είναι ένας ΝxΝ γραμμικός πίνακας. Αν λ 1,λ 2,,λ N είναι οι ιδιοτιμές του Α και u 1,u 2,,u Ν τα αντίστοιχα 10
ιδιοδιανύσματα, τότε η γενική λύση του συστήματος είναι περιγράφεται από την παρακάτω σχέση: x = c 1 exp(λ 1 t) u 1 + c 2 exp(λ 2 t) u 2 + + c N exp(λ N t) u N [1.10] Το παρακάτω θεώρημα περιγράφει τις συνθήκες ευστάθειας του κέντρου συντεταγμένων του συστήματος [1.5]. Θεώρημα 1.2: Έστω Α είναι ένας ΝxΝ γραμμικός πίνακας. Θεωρείται το σύστημα dx/dt=αx. Αν τα πραγματικά μέρη όλων των ιδιοτιμών του Α είναι μη θετικά, τότε το σύστημα είναι ασυμπτωτικά ευσταθές στο σημείο x=0. Aν όλες οι ιδιοτιμές έχουν θετικά πραγματικά μέρη, τότε το x=0 είναι ασταθές σημείο απώθησης [91]. Στα σχήματα 1.1 & 1.2 φαίνονται χαρακτηριστικά, για το δισδιάστατο χώρο των φάσεων ένας απλός ελκυστής και ένα απλό σημείο απώθησης. Το σχήμα 1.1 απεικονίζει τις τροχιές των λύσεων του συστήματος x = -x-10y & y = 10x-y ενώ το σχήμα 1.2 του συστήματος x = x-10y & y = 10x+y. Απλός σπειροειδής ελκυστής 50 Y(t) 40 30 20 10 X(t) 0-50 -40-30 -20-10 0-10 10 20 30 40-20 -30-40 Σημείο σπειροειδούς απώθησης 50 Y(t) 40 30 20 10 X(t) 0-50 -40-30 -20-10 0-10 10 20 30 40-20 -30-40 Σχήμα 1.1: Απλός ελκυστής Σχήμα 1.2: Απλό σημείο απώθησης. Οι διευθύνσεις που ορίζονται από τα ιδιοδιανύσματα του πίνακα Α ονομάζονται ιδιοδιευθύνσεις (ή ιδιοχώροι) του συστήματος και παίζουν σημαντικό ρόλο στη 11
διερεύνηση της συμπεριφοράς των μη γραμμικών συστημάτων, καθότι εφάπτονται στις ευσταθείς και ασταθείς αντίστοιχα πολαπλότητες των λύσεων [91]. Στην περίπτωση λ.χ. που υπάρχουν κάποιες ιδιοτιμές με αρνητικά πραγματικά μέρη και κάποιες άλλες με θετικά, οι ιδιοδιευθύνσεις, δίνουν το στίγμα των ευσταθών και ασταθών πολλαπλοτήτων του συστήματος αντίστοιχα (στην περίπτωση του γραμμικού συστήματος, είναι οι ίδιες ευσταθείς ή ασταθείς πολλαπλότητες). H διερεύνηση της συμπεριφοράς των μη γραμμικών συστημάτων, έχει τοπικό χαρακτήρα, μια που τις περισσότερες φορές η εύρεση γενικής λύσης του συστήματος, είναι αδύνατη. Το ενδιαφέρον μιας τέτοιας διερεύνησης, εστιάζεται στη μελέτη των σημείων ισορροπίας, στην περιοχή των οποίων διενεργείται γραμμικοποίηση του συστήματος. Έστω ότι το x 0 είναι σημείο ισορροπίας του συστήματος. Για να καταστεί το σημείο ισορροπίας κέντρο του συστήματος συντεταγμένων, χρησιμοποιούνται νέες μεταβλητές που δίνονται από την εξίσωση, y = x-x 0. Το σύστημα [1.3] παίρνει τη γραμμική μορφή: dy/dt = Df(x 0 ) y [1.11] ή ισοδύναμα dy/dt = f 1 / x 1 f 1 / x N f 2 / x 1 f 2 / x N... f N / x 1 f N / x N y D(f) είναι η Ιακωβιανή μήτρα της f υπολογισμένη στο x 0. Το θεώρημα 1.3 περιγράφει τις προϋποθέσεις ευστάθειας του σημείου ισορροπίας: 12
Θεώρημα 1.3: Θεωρείται το σύστημα dx/dt=f(x) και x 0 ένα σημείο ισορροπίας του. Αν τα πραγματικά μέρη όλων των ιδιοτιμών της Df(x 0 ) είναι αρνητικά, τότε το σύστημα είναι ασυμπτωτικά ευσταθές στο σημείο x 0. Aν έστω και μία ιδιοτιμή, έχει θετικό πραγματικό μέρος, τότε το x 0 =0 είναι ασταθές σημείο [91]. 1.4 Μελέτη των σημείων ισορροπίας αναδρομικών σχέσεων. Όπως έχει προαναφερθεί οι αναδρομικές σχέσεις εκφράζουν την τρέχουσα κατάσταση ενός δυναμικού συστήματος σε συνάρτηση με την προηγούμενη (στην γενική περίπτωση σε συνάρτηση με k προηγούμενες), σε διακριτό χρόνο. Οι όροι απεικόνιση και αναδρομική σχέση χρησιμοποιούνται συχνά ισοδύναμα. Στο παρόν κείμενο ωστόσο θα χρησιμοποιηθούν σαν δύο ξεχωριστές έννοιες. Πιο συγκεκριμένα για τον μονοδιάστατο χώρο R απεικόνιση (map) ονομάζεται η συνάρτηση που έχει πεδίο τιμών ίδιο με το πεδίο ορισμού της. Από τις απεικονίσεις αναδύονται ακολουθίες τιμών {x,g(x),g 2 (x) }, όπου x αρχική τιμή. Η σχέση x n+1 =g(x n ) που παράγει αυτή την ακολουθία καλείται αναδρομική σχέση στο χώρο R. (Χρησιμοποιείται ο συμβολισμός g 2 (x)=g g=g(g(x)) ή γενικεύοντας g k+1 (x)=g k (g(x)). Στο εξής οι όροι απεικόνιση και αναδρομική σχέση θα χρησιμοποιούνται όπως ορίστηκαν παραπάνω, με την έννοια δηλαδή, του στατικού-υποβαστάζοντα (απεικόνιση) και του δυναμικού-παραγωγικού (αναδρομική σχέση) μηχανισμού. Η γενίκευση των παραπάνω ορισμών για χώρους R N, οδηγεί στην περιγραφή δυναμικών συστημάτων από συστήματα αναδρομικών σχέσεων όπως παρουσιάζονται στις ισοδύναμες σχέσεις [1.2] & [1.4]. Η ταξινόμηση των σημείων ισορροπίας των αναδρομικών σχέσεων δεν διαφέρει ουσιαστικά, από την αντίστοιχη των Σ.Δ.Ε. Θεωρείται ωστόσο σκόπιμη η εκ νέου αναφορά στον ακριβή τρόπο με τον οποίο ορίζονται, στην περίπτωση αυτή, που ο μηχανισμός εξέλιξης του συστήματος υπακούει σε 13
επαναληπτικές διαδικασίες. Αρχικά αναφέρεται η ταξινόμηση των σημείων ισορροπίας για τον χώρο R 2. Θεωρείται η αναδρομική σχέση g(x) του χώρου R 2 και ένα σημείο p R 2 τέτοιο ώστε g(p)=p. Το p είναι σημείο ισορροπίας της g(x) και ονομάζεται: απλός ελκυστής όταν υπάρχει περιοχή του p, N, τέτοια που να ικανοποιείται η παρακάτω πρόταση: Όλα τα σημεία v της N, τείνουν στο p, υπό την συνεχή και επ άπειρο εφαρμογή της g. Δηλαδή όταν lim k g k (v)=p, v Ν [91]. σημείο απώθησης όταν υπάρχει περιοχή του p,ν, της οποίας όλα τα σημεία απεικονίζονται εκτός αυτής υπό την διαρκή εφαρμογή της g. Δηλαδή όταν v Ν k Z + τέτοιο ώστε g k (v) Ν [91] σαγματικό, όταν το σύνολο των αρχικών συνθηκών που ορίζεται εντός μοναδιαίου κύκλου με κέντρο το p, απεικονίζεται, υπό την διαρκή εφαρμογή της g, σε έλλειψη η οποία σταδιακά (όταν ο αριθμός επαναλήψεων τείνει στο άπειρο), εκφυλίζεται σε ευθεία. Δηλαδή όταν ο ένας της άξονας τείνει στο 0 και ο άλλος στο [91]. Η διεύρυνση των παραπάνω ορισμών για χώρους R N είναι προφανής για τους απλούς ελκυστές και τα σημεία απώθησης. Για την περίπτωση του σαγματικού σημείου τη θέση του κύκλου αρχικών συνθηκών παίρνει μια σφαίρα Ν- διαστάσεων και τη θέση της έλλειψης, ένα ελλειψοειδές Ν-διαστάσεων το οποίο βαθμιαία εκφυλίζεται σε αντικείμενο του R N-K (K<N) χώρου. Λόγω της σπουδαιότητας των αναδρομικών σχέσεων θα μελετηθούν ξεχωριστά οι μονοδιάστατες απεικονίσεις ως προς την συμπεριφορά τους κοντά στα σημεία ισορροπίας. 1.4.1 Μονοδιάστατες απεικονίσεις. Όπως προαναφέρθηκε σημείο ισορροπίας μιας αναδρομικής σχέσης είναι το σημείο p που ικανοποιεί την εξίσωση g(p)=p. Τα σημεία ισορροπίας γεωμετρικά παριστάνουν την τομή της απεικόνισης με την ευθεία y=x (αν υπάρχει). Αυτή η παρατήρηση καθιστά εύκολη την εύρεση κριτηρίων για το 14
χαρακτηρισμό τους, χρησιμοποιώντας την κλίση της απεικόνισης (δηλαδή την παράγωγο) Έτσι για μια ομαλή απεικόνιση (συνεχή και συνεχώς παραγωγίσιμη) ισχύει: Αν g (p) <1, το p είναι απλός ελκυστής της αναδρομικής σχέσης Αν g (p) >1, το p είναι σημείο απώθησης της αναδρομικής σχέσης Ιδιαίτερο ενδιαφέρον για την κατανόηση της συμπεριφοράς των αναδρομικών σχέσεων παρουσιάζουν οι περιοδικοί κύκλοι, ή σημεία k- περιοδικότητας. Ένας περιοδικός κύκλος, συνίσταται από ένα σύνολο διατεταγμένων, διακριτών τιμών, που επαναλαμβάνονται υπό την επ άπειρον εφαρμογή της αναδρομικής σχέσης. Πιο συγκεκριμένα το σημείο p είναι σημείο περιόδου k της g αν ο k είναι ο μικρότερος θετικός ακέραιος, για τον οποίο ισχύει g k (p)=p. Όπως τα απλά σημεία ισορροπίας έτσι και οι περιοδικοί κύκλοι ταξινομούνται σε κύκλους ελκυστές και σε κύκλους απώθησης για τις μονοδιάστατες αναδρομικές σχέσεις. Έστω ότι για την απεικόνιση g k (x), η αναδρομική σχέση x n+1 =g k (x n ) έχει σημείο ισορροπίας, το p 1. Για το χαρακτηρισμό του σημείου ισορροπίας p 1 προφανώς ισχύει κριτήριο της παραγώγου, εφαρμοζόμενο στην g k (x). Eφαρμόζοντας την ιδιότητα (f q) (x)=f (q(x))q (x) στην αναδρομική σχέση, συνάγεται ότι για την περιοδική τροχιά {p 1,p 2, p k } ισχύει: g k (p 1 )=g (p k ) g (p k- 1) g (p 1 ). Συνεπώς το κριτήριο της παραγώγου διαμορφώνεται για περιοδικούς κύκλους ως ακολούθως: Aν g (p k ) g (p k-1 ) g (p 1 ) <1 η περιοδική τροχιά είναι ευσταθής Aν g (p k ) g (p k-1 ) g (p 1 ) >1 η περιοδική τροχιά είναι ασταθής 1.4.2 Πολυδιάστατες απεικονίσεις. 15
Θα μελετηθούν αρχικά τα γραμμικά συστήματα αναδρομικών σχέσεων. Στη συνέχεια θα διερευνηθεί η συμπεριφορά των μη γραμμικών συστημάτων, με χρήση της γραμμικοποιημένης τους εκδοχής κοντά στα σημεία ισορροπίας. Ένα γραμμικό σύστημα αναδρομικών σχέσεων έχει την μορφή που παρουσιάζεται στην [1.6], δηλαδή, x n+1 =Βx n. Στην ενότητα 1.2 έγινε αναλυτική αναφορά στις μορφές που μπορεί να πάρει ένας πίνακας όταν έχει πραγματικές ιδιοτιμές. Για τις ανάγκες της παρούσας ενότητας το ζήτημα της ισοδύναμης παράστασης ενός πίνακα θα επανεξεταστεί, συμπεριλαμβάνοντας και την περίπτωση, που ο πίνακας έχει μιγαδικές ιδιοτιμές. Για λόγους εποπτείας, η παρουσίαση θα περιοριστεί στο δισδιάστατο χώρο. Ακολούθως εξετάζονται οι τρεις δυνατές περιπτώσεις: Α) O πίνακας Β έχει πραγματικές και άνισες ιδιοτιμές λ 1,λ 2. Β = λ 1 0 0 λ 2 Ο πίνακας Β n επαναλήψεις. Είναι όμως Β n : θα προσδιορίζει το σύστημα (την τιμή του x n ) μετά από n Β n = λ 1 n 0 0 λ 2 n Αν θεωρηθεί ότι το διάνυσμα x 0 = (x 0,y 0 ) δίνει αρχικές τιμές στο σύστημα τότε οι τιμές του μετά από n επαναλήψεις είναι: x n y n = λ 1 n 0 0 λ 2 n x 0 y 0 16
Από την παραπάνω εξίσωση γίνεται φανερό ότι αν και οι δύο ιδιοτιμές του πίνακα Β είναι μικρότερες της μονάδας το σύστημα ισορροπεί στο σημείο x=0 καθότι lim n x n = 0. Αν είναι και οι δύο ιδιοτιμές μεγαλύτερες της μονάδας το x=0 καθίσταται ασταθές σημείο ισορροπίας διότι lim n x n =. Αν μόνο μία από τις δύο ιδιοτιμές είναι μικρότερη της μονάδας τότε το σημείο ισορροπίας είναι σαγματικό σημείο. Αν δηλαδή λ 1 >1 και λ 2 <1 τότε lim n x n = ενώ lim n y n =0. Το παραπάνω συμπέρασμα είναι σύμφωνο με τον ορισμό του σαγματικού σημείου, καθότι αν θεωρηθεί ένας κυκλικός δίσκος αρχικών συνθηκών, με κέντρο το σημείο (0,0) βαθμιαία (καθώς n ) μετασχηματίζεται σε έλλειψη (με κέντρο επίσης την αρχή των αξόνων). Ο ένας άξονας της έλλειψης βρίσκεται επάνω στον άξονα x και ακολουθεί αύξουσα πορεία ενώ ο άλλος άξονας της βρίσκεται στον άξονα y και ακολουθεί πορεία συρρίκνωσης. Παρατήρηση: Για λ 1 = λ 2 = 1 το σύστημα είναι ευσταθές με σταθερή τιμή την εκάστοτε αρχική συνθήκη. Β) Ο πίνακας Β έχει δύο ίσες μεταξύ τους ιδιοτιμές. Η ισοδύναμη μορφή που παίρνει ο πίνακας είναι η ακόλουθη: Β = λ 1 0 λ Όπως και στην προηγούμενη περίπτωση υπολογίζεται ο πίνακας Β n : Β n = λ 1 n n 0 λ 2 n Για το σύστημα μετά από n επαναλήψεις ισχύει: 17
x n y n = λ n-1 λ n 0 λ x 0 y 0 Επειδή για λ<1 οι ακολουθίες λ n, nλ n-1 τείνουν στο 0 όταν n, τα συμπεράσματα είναι αντίστοιχα με αυτά της προηγούμενης περίπτωσης. Πιο συγκεκριμένα για λ<1 ένας μοναδιαίος κυκλικός δίσκος αρχικών συνθηκών προβάλλεται υπό την συνεχή εφαρμογή του συστήματος σε βαθμιαία συρρικνούμενη στο (0,0) έλλειψη. Αντίστοιχα για λ>1 το σημείο ισορροπίας είναι ασταθές σημείο απώθησης. Παρατήρηση: Για λ=1 το σύστημα δεν είναι ευσταθές. Γ) Ο πίνακας Β έχει μιγαδικές συζυγείς ιδιοτιμές. Στη περίπτωση αυτή η ισοδύναμη μορφή του πίνακα είναι η παρακάτω: Β = λ -μ μ λ όταν οι ιδιοτιμές είναι λ+jμ, λ-jμ. Το μέτρο των ιδιοτιμών δίνεται από την σχέση r= (λ 2 +μ 2 ). Έτσι ο Β μπορεί να πάρει τη μορφή: Β = r λ/r μ/r μ/r λ/r Άρα: Β = r cosθ -sinθ 18
sinθ cosθ Για το δυναμικό σύστημα προκύπτει η αναδρομική σχέση: x n+1 y n+1 = r cosθ -sinθ sinθ cosθ x n y n Από την παραπάνω εξίσωση γίνεται φανερό ότι το μέτρο r των ιδιοτιμών παίζει το ρόλο του τελεστή μεταβολής του συστήματος. Στη περίπτωση βέβαια αυτή δεν είναι δυνατή η εμφάνιση σαγματικού σημείου αφού οι δύο ιδιοτιμές έχουν το ίδιο μέτρο r. To κριτήριο λοιπόν διαμορφώνεται ως εξής: Αν το μέτρο r των ιδιοτιμών είναι μικρότερο της μονάδας (r<1) τότε το σύστημα ισορροπεί στο x=0. Αν r>1, το (0,0) είναι ασταθές σημείο ισορροπίας για το σύστημα. Πρέπει να επισημανθεί είναι ότι το σύστημα υφίσταται στροφή κατά θ=arctan(μ/λ). Έστω tanφ=y n /x n και tanω= y n+1 /x n+1. Εφαρμόζοντας την αναδρομική σχέση που συνδέει τα y n+1,x n+1 με τα y n, x n, και θ, προκύπτει εύκολα η σχέση ω=θ+φ, που σημαίνει ότι ο κύκλος των αρχικών συνθηκών διευρύνεται ή συρρικνώνεται υφιστάμενος στροφή κατά γωνία θ. Η επέκταση των παραπάνω συμπερασμάτων, σε γραμμικά συστήματα του χώρου R Ν, που προσδιορίζονται από ένα πίνακα Β, ΝxN, εκφράζεται από το θεώρημα 1.4: Θεώρημα 1.4: Έστω πίνακας Β, ΝxN. Θεωρείται η γραμμική απεικόνιση Β(x) στο χώρο R Ν. Το σημείο της αρχής των αξόνων χαρακτηρίζεται ως: απλός ελκυστής, όταν όλες οι ιδιοτιμές τού πίνακα Β, έχουν μέτρο μικρότερο της μονάδας, βρίσκονται δηλαδή, εντός του μοναδιαίου κύκλου στο μιγαδικό επίπεδο. 19
σημείο απώθησης, όταν όλες οι ιδιοτιμές του πίνακα έχουν μέτρο μεγαλύτερο της μονάδας, βρίσκονται δηλαδή, εκτός του μοναδιαίου κύκλου στο μιγαδικό επίπεδο [13,91,94]. Για τη μελέτη της συμπεριφοράς των μη γραμμικών συστημάτων που περιγράφονται από συστήματα αναδρομικών σχέσεων ακολουθείται η ίδια μεθοδολογία που χρησιμοποιήθηκε και για τα Σ.Δ.Ε. Γραμμικοποιείται δηλαδή το σύστημα στην περιοχή του σημείου ισορροπίας, χρησιμοποιώντας την Ιακωβιανή μήτρα. Πιο αναλυτικά: Έστω g=(g 1,g 2, g k ) μια απεικόνιση του χώρου R k και p R k. H Ιακωβιανή μήτρα Dg(p) της g στο σημείο p, ορίζεται από τον παρακάτω πίνακα στον οποίο οι μερικές παράγωγοι υπολογίζονται στο σημείο p. Dg(p) = g 1 / x 1 g 1 / x k g 2 / x 1 g 2 / x k... g k / x 1 g k / x k Κατά προσέγγιση ισχύει η σχέση g(p+h)-g(p) = Dg(p)h όπου h μία μικρή διαταραχή (διάνυσμα διαταραχής) γύρω από το p. Αν το p είναι σημείο ισορροπίας τότε ισχύει ότι g(p) = p. Έστω ότι το διάνυσμα x n βρίσκεται στην περιοχή του p, είναι δηλαδή x n = p+h n. Τότε σύμφωνα με τα παραπάνω θα ισχύει η σχέση g(p+h n ) - g(p) = Dg(p)h n, από την οποία συνάγεται ότι x n+1 -p=dg(p)h n. Με την υπόθεση ότι x n+1 = p+h n+1 διαμορφώνεται η σχέση h n+1 =Dg(p)h n που περιγράφει ένα γραμμικό σύστημα με κέντρο το σημείο ισορροπίας p,και μεταβλητές που προκύπτουν από τον μετασχηματισμό h=x-p. Για την ευστάθεια των υπό εξέταση σημείων ισορροπίας διατυπώνονται με το θεώρημα 1.5 κρίσεις ανάλογες με αυτές των γραμμικών συστημάτων. 20
Θεώρημα 1.5: Έστω μια απεικόνιση g του χώρου R k και ένα σημείο p για το οποίο ισχύει g(p)=p. Το σημείο p είναι απλός ελκυστής, όταν όλες οι ιδιοτιμές της Ιακωβιανής Dg(p) έχουν μέτρο μικρότερο της μονάδας, βρίσκονται δηλ. όλες εντός του μοναδιαίου κύκλου στο μιγαδικό επίπεδο. Το σημείο p είναι σημείο απώθησης όταν όλες οι ιδιοτιμές της Ιακωβιανής μήτρας Dg(p) έχουν μέτρο μεγαλύτερο της μονάδας, βρίσκονται δηλ. όλες εκτός του μοναδιαίου κύκλου στο μιγαδικό επίπεδο [91]. 21
2. ΠΡΟΣΕΓΓΙΣΗ ΧΑΟΤΙΚΗΣ ΣΥΜΠΕΡΙΦΟΡΑΣ 2.1 Ευαισθησία στις Αρχικές Συνθήκες. Μια χαρακτηριστική ιδιότητα των συστημάτων που συμπεριφέρονται χαοτικά, είναι η ευαισθησία που παρουσιάζουν στις αρχικές συνθήκες. Ένα σύστημα είναι ευαίσθητο στις αρχικές συνθήκες, όταν γειτονικές τροχιές λύσεων του στο χώρο των φάσεων, αποκλίνουν εκθετικά σε πεπερασμένο χρονικό διάστημα. Η εξαγωγή συμπερασμάτων σχετικά με το αν ένα σύστημα είναι ευαίσθητο στις αρχικές συνθήκες, επιτυγχάνεται με τη μελέτη της συμπεριφοράς της χρονικής συνάρτησης της απόστασης δύο γειτονικών λύσεων. Πιο συγκεκριμένα αν F(x 0,t), F(x 0,t) είναι δύο γειτονικές λύσεις του συστήματος διερευνάται η συμπεριφορά της συνάρτησης: d(t) = F(x 0,t)-F(x 0,t). [2.1] Με., συμβολίζεται η Ευκλείδεια νόρμα. Η συμπεριφορά της απόκλισης των λύσεων περιορίζεται, όπως αναφέρεται στο κεφάλαιο 1, από τον κανόνα του Lipschitz. Πιο συγκεκριμένα για κάθε ζευγάρι F(t),W(t) λύσεων του συστήματος και για χρονικό διάστημα [t 0,t 1 ] ισχύει [91]: F(t)-W(t) F(t 0 )-W(t 0 ) e [L(t0-t1)], t [t0,t1] [2.2] Η [2.2], παρέχει τη δυνατότητα να εκφραστεί η d(t), ως εκθετική συνάρτηση του χρόνου, δηλαδή d(t) = d 0 e λt [2.3] O συντελεστής λ ονομάζεται τοπικός συντελεστής Lyapunov και όπως φαίνεται από την [2.3], το πρόσημο του παίζει καθοριστικό ρόλο στη συμπεριφορά του συστήματος. Ο καθολικός συντελεστής Lyapunov είναι ο μέσος όρος των 22
τοπικών συντελεστών και αποτελεί δείκτη της μέσης συμπεριφοράς του συστήματος. Η γεωμετρική ερμηνεία των συντελεστών Lyapunov παραπέμπει στην διερεύνηση της μεταβολής των συνόλων των αρχικών συνθηκών στο χώρο των φάσεων. Όπως προαναφέρθηκε στο στην κεφάλαιο 1 (ενότητα 1.2, θεώρημα 1.1) μια σφαίρα αρχικών συνθηκών, μετασχηματίζεται σε ελλειψοειδές, υπό την εφαρμογή ενός γραμμικού δυναμικού συστήματος (το ίδιο ισχύει και για μη γραμμικά συστήματα τοπικά). Το κρίσιμο σημείο στη όλη αναζήτηση, είναι η συσχέτιση της μεταβολής της συνάρτησης d(t) (συνάρτηση απόστασης γειτονικών λύσεων του συστήματος) με τους άξονες του ελλειψοειδούς. Αν u j (t) είναι ο ρυθμός μεταβολής για τον άξονα j τότε u j (t) = e λjt [3] και άρα, λ j =lim t (1/t )log u j (t) Αν ο λ j εκφραστεί σαν συνάρτηση της απόλυτης τιμής του άξονα L j του ελλειψοειδούς προκύπτει ότι L j (t)= e λj t L j (0) και συνεπώς: λ j = lim t (1/t )log[l j (t)/l j (0)] [2.4] Πρέπει να σημειωθεί ότι επειδή η απόκλιση των λύσεων πραγματοποιείται πολύ σύντομα, τα μεγέθη των αξόνων κανονικοποιούνται περιοδικά κατά τον υπολογισμό των συντελεστών. Διαφορετικά το μεγάλο ακέραιο των αριθμών που προκύπτουν περιορίζει το πλήθος των δεκαδικών ψηφίων, γεγονός που μειώνει δραματικά την ακρίβεια των υπολογισμών. Αυτή η έλλειψη ακρίβειας, δεδομένης της ευαισθησίας στις αρχικές συνθήκες, καθιστά την όλη διαδικασία άνευ αξίας [3,80]. Οι επόμενες παράγραφοι αναφέρονται στις μαθηματικές διατυπώσεις που προκύπτουν για τους συντελεστές Lyapunov δυναμικών συστημάτων τα οποία περιγράφονται από συστήματα διαφορικών εξισώσεων ή συστήματα αναδρομικών σχέσεων. Για τις περιπτώσεις συστημάτων των οποίων τα δεδομένα προκύπτουν από μετρήσεις γίνεται αναφορά στο κεφάλαιο 4. 23
2.2 Συντελεστές Lyapunov Απεικονίσεων. Θα εξεταστούν αρχικά οι μονοδιάστατες απεικονίσεις και στη συνέχεια τα συμπεράσματα θα επεκταθούν σε απεικονίσεις πολυδιάστατων χώρων. Μονοδιάστατες απεικονίσεις Θεωρείται η μονοδιάστατη απεικόνιση g(x) [0,1] [0,1] και η αναδρομική σχέση x n+1 = g(x n )=g n+1 (x 0 ) [2.5] Θεωρείται επίσης το σημείο x 0 + ε που βρίσκεται σε στενή γειτνίαση με το x 0. Αν η g(x) ικανοποιεί την συνθήκη Lipschitz τότε η απόσταση των δύο τροχιών μπορεί να περιγραφεί σαν εκθετική συνάρτηση του χρόνου. εe λn = g n+1 (x 0 ) - g n+1 (x 0 +ε) [2.6] Για άπειρο αριθμό επαναλήψεων προκύπτει λ = lim n 1/n log dg n (x 0 )/dx [2.7] Ο συντελεστής Lyapunov εξαρτάται γενικά από την αρχική συνθήκη x 0. Έτσι για την [2.7] θεωρείται ορθότερη η διατύπωση λ(x 0 )=lim n 1/n log dg n (x 0 )/dx. Στη συνέχεια εξετάζονται οι μονοδιάστατες αναδρομικές σχέσεις ως μηχανισμοί απώλειας πληροφορίας του συστήματος που περιγράφουν. Η παρακάτω ανάλυση βασίζεται στην υπόθεση ότι το x 0 βρίσκεται αρχικά σε κάποιο από τα Ν διαστήματα διαμέρισης του [0,1] με πιθανότητα 1/Ν. Αν υποτεθεί ότι το x 0 έχει προσδιοριστεί σε κάποιο συγκεκριμένο διάστημα, η πληροφορία που αναδύεται από αυτή τη γνώση είναι -ld(1/n) (όπου ld(α) ο λογάριθμος του α με βάση το 2). Η μέση πληροφορία που προκύπτει από τη γνώση για κάποιο τυχαίο σημείο εκφράζεται παρακάτω από την [2.8]: 24
N S 0 = -Σ (1/Ν) ld(1/n) = ldn [2.8] 1 Το ερώτημα που τίθεται είναι αν το δυναμικό σύστημα που εφαρμόζεται προκαλεί συστολή ή διαστολή του διαστήματος με μέγεθος 1/Ν. Αν προκαλεί δηλαδή αντίστοιχα αύξηση ή μείωση της μέσης πληροφορίας. Έστω Δx = 1/N, και Δx = g(δx) [2.9] όπου Δx είναι η εικόνα του Δx μετά τη εφαρμογή της g. Γραμμικοποιώντας την [2.9] στην περιοχή του x 0 προκύπτει: Δx = g (x 0 ) Δx [2.10] Η [2.10] είναι δηλωτική της εξάρτησης της μέσης πληροφορίας από την παράγωγο της απεικόνισης στο υπό εξέταση σημείο. Τίθεται g (x 0 ) = α και επιχειρείται ο υπολογισμός του αριθμού των στοιχειωδών τμημάτων του νέου διαμερισμού του [0,1], που προκύπτει μετά από μία εφαρμογή της g(x). Δx = Δx /α Ν Δx = Ν Δx /α αλλά Ν Δx = L = μήκος του [0,1] άρα, L=ΝΔx /α L/Δx = Ν/α [2.11] Ο λόγος Ν/α είναι ο ζητούμενος αριθμός των τμημάτων του νέου διαμερισμού. Η μέση πληροφορία θα πάρει πλέον την τιμή: 25
N/α S 1 = -Σ (α/ν) ld(α/n) = ld(n/α) [2.12] 1 Από τις σχέσεις [2.8], [2.12], υπολογίζεται η μεταβολή της μέσης πληροφορίας, μετά από μία επανάληψη κατά την ποσότητα: ΔS 1 = S 1 -S 0 := ld(n/α) - ldn =ldn-ldn-ldα=-ld g (x 0 ) και άρα, ΔS 1 = -ld g (x 0 ) [2.13] Η [2.13] εκφράζει την απώλεια πληροφορίας από την εφαρμογή της g όταν α= g (x 0 ) >1. Στην περίπτωση αυτή το διάστημα Δx διαστέλλεται γεγονός που αυξάνει την αβεβαιότητα σχετικά με τη θέση του x 0. Αν συνεχιστεί ο υπολογισμός της απώλειας πληροφορίας εφαρμόζοντας μία ακόμη φορά την g(x) στο νέο διάστημα Δx που περιέχει την εικόνα του x 0, g(x 0 )=x 1, εξάγεται η σχέση ΔS 2 = -ld g(x 1 ). Για Κ επαναλήψεις προκύπτει μία ακολουθία ΔS = { ΔS 1,ΔS 2,, ΔS k } = { ld g (x 0 ), ld g (x 1 ),, ld g (x k ) } της οποίας ο Κ-όρος εκφράζει την απώλεια πληροφορίας κατά την επανάληψη Κ. Η μέση απώλεια πληροφορίας (για μια επανάληψη) υπολογίζεται από το μέση τιμή των όρων της ακολουθίας για μεγάλο Κ. Θεωρητικά για Κ προκύπτει η μέση την απώλεια πληροφορίας [ΔS] από την απλή εφαρμογή (εφαρμογή μιας επανάληψης) του δυναμικού συστήματος g. K-1 [ΔS] = lim K 1/Κ Σ ld(g (x i ) [2.14] I=0 και δεδομένου ότι ld(a) = log(a)/log2, προκύπτει λαμβάνοντας υπόψη τις [2.7] και [2.14] ότι: [ΔS] log2 = λ(x 0 ) [2.15] 26
Η σχέση αυτή των συντελεστών Lyapunov και της μέσης απώλειας πληροφορίας του συστήματος επεκτείνεται όπως θα δειχθεί στο κεφάλαιο 4 και στα συστήματα που εξελίσσονται σε πολυδιάστατους χώρους. Παρατήρηση: Από την παραπάνω ανάλυση προκύπτει, το συμπέρασμα, ότι η απώλεια πληροφορίας συνοδεύεται από μείωση της εντροπίας. Πράγματι στη σχέση [2.13], δεδομένου ότι g(x 0 ) >1, η ΔS 1 προκύπτει μικρότερη του 0, που σημαίνει ότι S 1 < S 0. Η σύγκριση όμως των δύο τιμών της εντροπίας είναι άνευ περιεχομένου διότι η ακρίβεια με την οποία προσεγγίζεται το σύστημα είναι διαφορετική για κάθε περίπτωση. Πιο συγκεκριμένα ο προσδιορισμός της S 0 επιτυγχάνεται, όταν ο παρατηρητής του συστήματος υποβάλλει ldn ερωτήσεις για τον προσδιορισμό του x 0. Αντίθετα ο υπολογισμός της S 1, λαμβάνει χώρα όταν ο παρατηρητής υποβάλλει ldn/α ερωτήσεις, που σημαίνει ότι η παρατήρηση έχει υποστεί αναγκαστική μείωση του βαθμού ακρίβειας. Θα επιχειρηθεί μια προσέγγιση του ζητήματος που προκύπτει, με την προϋπόθεση ότι διατηρούνται σταθερές οι συνθήκες παρατήρησης. Αυτό σημαίνει, ότι έστω και θεωρητικά, ο παρατηρητής διατηρεί τις ίδιες απαιτήσεις ακρίβειας σε όλη τη διάρκεια της παρατήρησης. Πρέπει ωστόσο πριν την οποιαδήποτε ανάλυση να προσδιοριστούν οι προϋποθέσεις αύξησης της εντροπίας ενός συστήματος. Έστω Ε ένα υποσύνολο του χώρου των φάσεων στο οποίο παρατηρείται η εξέλιξη του δυναμικού συστήματος G. Για την διερεύνηση της συμπεριφοράς του G από την οπτική γωνία της θεωρίας Πληροφοριών το Ε διαιρείται σε Ν ίσες μικροκυψέλες. Το σύστημα G δεν επισκέπτεται, αρχικά, παρά μόνο Μ από τις Ν (Μ Ε Μ cε & Μ<Ν) μικροκυψέλες, με πιθανότητα p i, i=1,2, Μ. Η εντροπία (μέση απαιτούμενη πληροφορία για τον προσδιορισμό του συστήματος ή διαφορετικά μέση αναδυόμενη πληροφορία από τη γνώση του συστήματος) υπολογίζεται ως γνωστό από τη σχέση, N S = -Σp i ld(p i ), 1 η οποία λαμβάνει τη μέγιστη τιμή της, S max = ldμ, όταν p i =1/Μ i=1,2, Μ. 27
Η μέγιστη παρατηρούμενη εντροπία αυξάνεται μόνο όταν πραγματοποιείται ένα από τα ακόλουθα σενάρια: Όταν ο παρατηρητής του συστήματος αυτοβούλως αυξήσει τις απαιτήσεις του σχετικά με την ακρίβεια προσέγγισης του συστήματος, αυξάνοντας σε Μ >Μ τις μικροκυψέλες του Ε Μ. Η μέγιστη τιμή της εντροπίας παίρνει πλέον την τιμή ldm >ldm. Όταν διατηρουμένου του μεγέθους των μικροκυψελών (συνεπώς και της ακρίβειας προσέγγισης), το σύστημα διαφεύγει των ορίων του Ε Μ και επισκέπτεται με κάποια πιθανότητα και τις υπόλοιπες μικροκυψέλες του Ε που δεν ανήκουν στο Ε Μ, αυξάνοντας έτσι της αβεβαιότητα σχετικά με τον προσδιορισμό του. Στην περίπτωση αυτή η μέγιστη τιμή της εντροπίας είναι ldν>ldm. Επιστρέφοντας στο δυναμικό σύστημα που περιγράφεται από την μονοδιάστατη απεικόνιση g(x) η αύξηση της εντροπίας μπορεί να παρατηρηθεί τοπικά στα διαστήματα Δx, Δx. Με την υπόθεση ότι το Δx απεικονίζεται στο Δx υφιστάμενο διαστολή μπορεί να οριστεί ένα διάστημα Δx c Δx με την ιδιότητα Δx = Δx. Με το σύμβολο. συμβολίζεται το μέτρο του διαστήματος. Αν τα Δx, Δx, Δx υποστούν διαμέριση με το ίδιο μέγεθος μικροκυψέλης τα Δx, Δx εμφανίζουν την ίδια μέγιστη εντροπία. Αντιστοιχίζοντας τώρα τα Δx, Δx με τα Ε, Ε Μ αντίστοιχα συνάγεται ότι η περίπτωση που εξετάζεται πραγματοποιεί το δεύτερο σενάριο αύξησης της μέγιστης εντροπίας που περιγράφεται παραπάνω. Από τη σκοπιά δηλαδή του παρατηρητή που διατηρεί σταθερές τις απαιτήσεις του για τον προσδιορισμό του συστήματος, η απώλεια πληροφορίας συνεπάγεται την αύξηση της αταξίας και όχι τη μείωσή της όπως φαινομενικά προκύπτει από τη σχέση [2.13] 28
Απεικονίσεις πολυδιάστατων χώρων Κρίσιμο σημείο για τον υπολογισμό των συντελεστών Lyapunov, είναι η εξέταση της συμπεριφοράς τυχαίας σφαίρας αρχικών συνθηκών στο χώρο των φάσεων. Στο κεφάλαιο 1 (ενότητα 1.2) περιγράφεται, πως ένα γραμμικό δυναμικό σύστημα x n+1 =Bx n μετασχηματίζει μία σφαίρα αρχικών συνθηκών σε έλλειψη της οποίας οι άξονες έχουν μήκη ίσα με την θετική τετραγωνική ρίζα των ιδιοτιμών του πίνακα ΒΒ Τ. Tο ίδιο ασφαλώς ισχύει και για μη γραμμικά συστήματα, μετά την γραμμικοποίηση τους γύρω από κάποιο σημείο ισορροπίας. Στην περίπτωση αυτή, αντί του πίνακα Β χρησιμοποιείται η Ιακωβιανή Dg(x) υπολογισμένη στο υπό εξέταση σημείο. Εφόσον η αρχική σφαίρα είναι μοναδιαία οι ρίζες των ιδιοτιμών του πίνακα ΒΒ Τ (ή Dg(x)Dg(x) Τ αντίστοιχα) εκφράζουν τον ρυθμό μεταβολής του μήκους των αξόνων. Έστω μια ομαλή απεικόνιση g του χώρου R k και η αναδρομική σχέση x n+1 =g(x n ). Έστω Dg n (x 0 ) η Ιακωβιανή της g n υπολογισμένη στο x 0. Eίναι δηλαδή Dg n (x 0 )=Dg(x 0 ) Dg(x 1 ) Dg(x n ) και x n+1 = Dg n (x 0 )g(x 0 ). Οι ρίζες των ιδιοτιμών της Dg n (x 0 )Dg n (x 0 ) Τ εκφράζουν τον τελεστή μεταβολής των αξόνων του ελλειψοειδούς μετά από n επαναλήψεις. Αν για κάποιο άξονα k, το μέγεθος r n k εκφράζει τον τελεστή μεταβολής του μετά από n επαναλήψεις, τότε η ανά επανάληψη μεταβολή (μέσος ρυθμός μεταβολής) εκφράζεται από το μέγεθος L k (x 0 ) = lim n [(r k n ) 1/n ] [2.16] Ο συντελεστής L k (x 0 ) ονομάζεται αριθμός Lyapunov και αναφέρεται στον άξονα k και στην αρχική τιμή x 0. Ο συντελεστής Lyapunov ορίζεται από τη σχέση[91]: L k (x 0 )=exp[λ k(x 0 )] λ k(x 0 ) = log[l k (x 0 )] [2.17] 29
2.3 Συντελεστές Lyapunov Σ.Δ.Ε Θα επιχειρηθεί αρχικά ο υπολογισμός του συντελεστή Lyapunov στο μονοδιάστατο πεδίο των φάσεων. Στην περίπτωση αυτή το σύστημα περιγράφεται από την διαφορική εξίσωση: x = f(x) x R [2.18] Έστω δύο κοντινές λύσεις x 0, x Η συνάρτηση της απόστασης των δύο λύσεων εκφράζεται από την σχέση: d = x-x 0 [2.19] Αν η απόσταση x - x 0 είναι ικανοποιητικά μικρή, τότε από την κατά Taylor ανάπτυξη της f(x) προκύπτει η σχέση: f(x) = f(x 0 ) + df/dx(x 0 )( x- x 0 ) [2.20] Από τις [2.18], [2.19] και [2.20] εξάγεται η σχέση: d (t) = x - x 0= f(x)-f(x 0 ) = df/dx(x 0 )( x- x 0 ) [2.21] Η συνάρτηση d(t) αναμένεται να έχει εκθετική μορφή. Άρα θα είναι: d(t)=d(t=0)e λt και η παράγωγος της θα έχει τη μορφή: d (t) = λd(t=0) e λt = λd(t) [2.22] Από τις σχέσεις [2.21], [2.22]συνάγεται ότι: λ = df/dx(x 0 ) [2.23] 30